Uma nova ferramenta de IA está promovendo a pesquisa de fusão para encontrar a “zona segura” escondida dentro dos reatores onde as peças são protegidas da queima
“Data-gt-translate-attributes =” ({“attribute =” “tabindex =” 0 “função =” link “> plasma Aquecer.
Chamado como calor-ML, o sistema pode fazer em milissegundos que levaram meia hora, permitindo que os cientistas de Vaig projetem os reatores mais rapidamente e com mais segurança. A faísca é testada no reator de fusão, que se destina a produzir mais zonas de energia até 2027, a IA pode acelerar a raça em direção a uma potência prática de fusão limpa.
Pesquisa de fusão de velocidade AI inovadora
Cooperação entre os sistemas de fusão da Commonwealth (CFS), o Departamento de Energia dos EUA (DOE) Princeton Plasma Physics Laboratory (SCS) (CFS)
“Data-gt-translate-attributes =” ({“attribute =” “tabindex =” 0 “função =” link “> pppl), E o Laboratório Nacional de Oak Ridge produziu um novo
“Data-gt-translate-attributes =” ({“attribute =” “tabindex =” 0 “função =” link “> inteligência artificial (Ai) Método que pode detectar “sombras magnéticas” rapidamente dentro do dispositivo de fusão. Essas sombras são áreas com áreas em todo o ILD, que atuam como uma zona segura para os componentes do reator.
Um sistema chamado Heat-ML pode ser a base do software FTware, que acelera drasticamente o design de futuras máquinas de fusão. Também pode ajudar durante a operação do reator, impedindo possíveis problemas, com ajustes rápidos no plasma.
“Esta pesquisa mostra que você pode pegar um código existente e criar um substituto da IA que acelerará sua capacidade de obter respostas úteis e abre de uma maneira interessante em termos de controle e ver o planejamento”, disse Michael Churchill, co-autor do Fusion Engineering Paper. Conduta Sobre a cabeça da engenharia digital no Heat-ML e PPPL.
A promessa e o desafio do poder de fusão
A fusão, a mesma reação que dá força ao sol e às estrelas, provavelmente proporcionará eletricidade quase ilimitada à terra aqui. Para alcançar esse objetivo, Vijay. Mano deve primeiro eliminar o grande Vijay. Barreiras únicas e de engenharia. O desafio central é gerenciar o calor pesado produzido pelo plasma, que pode queimar mais que as raízes do sol quando limitado dentro de um vaso magnético chamado Tokmac. Cálculos que prevêem onde esse calor descerá e, em que áreas estarão em sombras magnéticas, a energia de fusão é crucial para tornar os zeros práticos.
“Os componentes voltados para o plasma do tokmac podem ser expostos ao plasma, que é muito quente e pode dissolver ou danificar esses elementos”, disse Domika Corona Riviera, o primeiro autor do físico colaborativo e do artigo sobre o Heat-ML. “A pior coisa que pode acontecer é que você precisa parar a operação”.
Uma abordagem direcionada para o teste mais difícil de Spark
O calor-ML foi projetado especificamente para imitar uma pequena parte da faísca: a construção atualmente da construção pelo CFS. A empresa de Massachusetts espera mostrar o ganho de energia líquido até 2027, o que significa que a faísca produzirá mais zonas de energia do que seu consumo.
Esse é o objetivo e o centro de um grande desafio de computação como o interior da faísca afeta. Para invadir algo gerenciado, a equipe se concentrou em uma seção da faísca em que o escape de calor mais intenso de plasma se cruza ao longo da parede do material. Esta parte especial do Tokmac, representando 15 telhas próximas à parte inferior da máquina, faz parte do sistema de escape da máquina que será submetido ao calor mais alto.
Para criar essa simulação, os pesquisadores produzem o que chamam de máscara de sombra. A máscara de sombra é um mapa 3D das sombras magnéticas, que são áreas especializadas na superfície dos componentes internos do sistema de fusão que são diretamente aquecidos ao IELD. A localização dessas sombras é baseada em como a forma do tokmak é abordada e nas linhas de campo magnéticas que limitam o plasma.
Do calor ao calor-ML
Originalmente, um programa de computador de código aberto chamado AquecerOu kit de ferramentas de análise de engenharia de fluxo de calor, calculou essa máscara de sombra. CFS O calor foi criado pelo gerente Tom Lobby, que foi agora durante o trabalho de doutorado com o líder da equipe de diagnóstico da Spark, Matt Rank, e foi aplicada pela primeira vez ao sistema de escape para a máquina de atualização da Circular Torres Circular Torres do PPPL.
Para ver as linhas de campo magnéticas da superfície do componente térmico-ML para verificar se a linha cruza outro interior do Tokenger. Se isso acontecer, essa região está marcada “sombras”. No entanto, rastrear essas linhas e descobrir onde elas se cruzam em detalhes a geometria da máquina 3D foi uma barreira significativa ao processo. Pode levar mais tempo para uma única simulação e por cerca de 30 minutos e alguma geometria complexa.
O calor-ML elimina esse obstáculo, acelerando os cálculos em alguns milissegundos. Ele usa uma rede neural de varinha profunda: um tipo de IA que possui camadas ocultas de operações e parâmetros matemáticos que aplicam dados para aprender como fazer uma tarefa específica pesquisando o padrão. A rede neural de wanda profunda do Heat-ML foi treinada usando um banco de dados de cerca de 1000 simulação de faísca do calor para aprender a calcular a máscara de sombra.
Expansão na ferramenta de fusão universal
Atualmente, o calor-ML está vinculado ao design específico do sistema de escape da Spark; Ele funciona apenas para a pequena parte desse tokenger especial e uma configuração opcional no código de calor. No entanto, a equipe de pesquisa espera expandir suas capacidades para normalizar o cálculo de máscaras de sombra para sistemas de escape de qualquer forma e tamanho, bem como os componentes de fases de plasma dentro do token.
Referência: “Previsões de máscara de sombra usando um código térmico em componentes de spark tokmac plasma e
“Data-gt-translate-attributes =” ({“attribute =” “tabindex =” 0 “função =” link “> Machine Learning Métodos “Por D. Corona, M. Scotto d’Bsco, M. Engenharia e design de fusão.
Doi: 10.1016/j.fuseengdes.2025.115010
O manual dos pesquisadores do PPL Scotto d’Abco e Stefano Munareto também trabalharam nessa pesquisa, que era o DOE. Os contratos foram apoiados sob D-AC02-09 CH 11466 e DE-AC05-00 ou 222725 e também receberam apoio do CFS.
Nunca perca o sucesso: junte -se a um boletim de boletim de skitecdail.
